XiaoMi-AI文件搜索系统
World File Search System局部性
逻辑语境性和非局部性的条件
语境性和非局域性是量子统计所表现出的非经典性质，其含义深刻影响着量子理论的基础和应用。在本文中，我们对逻辑语境性和不等式证明提供了一些见解。前者可以理解为语境性的可能性版本，而后者是指不基于某些非语境性（或贝尔）不等式违反的量子语境性和非局域性的证明。我们所说的“可能性”是指结果的可能性描述，这些结果为布尔变量，当相应概率严格大于零时，其值为 1，否则为 0。本研究旨在从我们所谓的可能性悖论中建立这两个概念之间的桥梁，可能性悖论是一组可能性条件，其发生意味着语境性和非局域性。作为主要结果，我们证明了可能性悖论的存在，其发生是一类非常重要的场景中逻辑语境性的必要和充分条件。最后，我们讨论了这些可能性悖论的完整性所带来的一些有趣的后果。
具有相同粒子的量子协议中的纠缠和非局部性
摘要：我们研究了使用相同粒子系统的纠缠和非本地性的作用。与可区分的粒子不同，对于无法区分和单独解决的系统的纠缠和非局部性概念仍在争论中。我们阐明了为什么避免不一致和悖论的唯一方法是基于第二个量化形式主义的方法，因此，它是模式的纠缠，而不是真正重要而不是粒子本身的粒子填充的纠缠。的确，通过计量学和传送方案，我们表明，不一致是在强制纠缠和非本地性的表述中出现的，而不是相同粒子的特性，而不是它们可以占据的模式。的原因是，在相同的粒子不能，可以始终解决正交模式。
基于局部性的编码器和模型量化，用于有效的超维计算
摘要 - 脑启发的高维（HD）计算是一种新的计算范式，可以模仿高维空间中神经元的活性。HD计算中的第一个步骤是将每个数据点映射到高维空间（例如10,000）中，该空间需要计算原始域中每个数据元素的数千个操作。单独编码大约需要培训执行时间的80％。在本文中，我们提出，REHD，用于HD Computing中的编码，培训和推断的整个重做，以实现更硬件友好的实现。REHD包括用于HD计算的完全二进制编码模块，用于能量良好和高智能分类。我们基于随机投影的编码模块可以在硬件中有效地实现可预测的内存访问模式。REHD是第一个基于HD的方法，它提供了与原始数据1：1比率的数据投影，并启用使用二进制HyperVector进行所有培训/推理计算。在优化后，重新添加了编码过程，重新培训和推断成为HD计算的能源密集型部分。为解决此问题，我们还提出了模型量化。模型量化引入了一种新型的方法，该方法是使用n位存储类高量向量的方法，其中n范围为1至32，而不是以完整的32位精度，从而可以在能量效率和准确性之间进行折衷的细节调整。为了进一步提高REHD效率，我们开发了一种在线尺寸缩小方法，可以消除训练期间无效的高度向量维度。
在量子理论中统一了两个非局部性概念
在当地的运作和经典交流（LOCC）下，发现包含正交产品状态的集合是无法区分的，从而在制备和区分过程中表现出不可逆性，通常被称为无链接的非局部性。另一方面，纠缠状态不兼容的测量引起的相关性导致了非局部性。我们将这两个概念统一，从适当的全球统一转型下的某些财产的变化中统一。特别是，我们证明在受控的（cnot）操作下，完整的产品基础可以在且仅当其在LOCC歧视过程中完全不可约时创建纠缠状态。拟议的迹象可以量化与甚至不完整的产品状态集相关的非固定性的量。对于具有纠缠状态的集合，我们对数量进行了相应的修改，并表明它可以为更非局部性的现象提供解释，而纠缠较小。